歡迎來到多狀態模型（Multi-State Modeling）的世界！
哈囉，未來的精算師！既然你已經來到 ALTAM 考試的階段，相信你對基本的人壽保險（「生存 vs. 死亡」模型）已經瞭如指掌。但在現實世界中，生活絕非簡單的二元開關。人們可能會生病、康復、入住護理機構或在最終離世前陷入失能狀態。
在本章中，我們將探討狀態相依保險與年金現值隨機變數。我們將學習如何計算那些理賠金完全取決於受保人所處「狀態」的保險產品價值。如果覺得這聽起來很複雜，別擔心——我們會透過你已經熟悉的類比，一步步為你拆解這些概念！
1. 大局觀：什麼是狀態相依變數？
想像多狀態模型就像是個人的健康 GPS。在任何時間點，當事人都在特定的「位置」（狀態）上：
- 狀態 0： 健康
- 狀態 1： 失能
- 狀態 2： 死亡
必須記住的關鍵術語：
轉移（Transitions）： 從一個狀態移動到另一個狀態（例如：從健康轉為失能）。與轉移掛鉤的理賠通常是一次性給付（lump sums）。
佔有（Occupancy）： 指在某段時間內處於特定狀態。與佔有掛鉤的理賠通常是年金（annuities）（連續或定期給付）。
快速複習： 在 FAM-L 中，你學習過「雙重遞減（Double Decrement）」模型。ALTAM 更進一步，允許受保人在狀態之間來回移動（例如從疾病中康復）。
2. 年金型給付（佔有）
想像一張保單，只要你處於「失能」狀態，每月就會支付你 100 美元。這就是基於佔有的給付（occupancy-based benefit）。
當事人目前處於狀態 \(i\)，其在狀態 \(j\) 的年金現值隨機變數記為 \(Y\)。若要計算精算現值（Actuarial Present Value, APV），我們使用以下公式：
\(E[Y] = \bar{a}_x^{ij} = \int_0^\infty v^t \cdot {}_tp_x^{ij} dt\)
公式拆解：
1. \(v^t\)：這是我們的折現因子（discount factor），將未來的資金折算回今日價值。
2. \({}_tp_x^{ij}\)：這是佔有概率（occupancy probability），即年齡 \(x\) 的受保人從狀態 \(i\) 出發，在時間 \(t\) 時處於狀態 \(j\) 的機率。
3. 積分（\(\int\)）：我們只是將整個時間段內所有微小的折現機率累加起來。
現實生活類比：Netflix 訂閱
把它想像成「反向 Netflix」。不是你付錢給 Netflix，而是只要你的狀態保持「活躍」，他們就付錢給你。要計算其價值，你只需要知道在未來任何指定日期你處於「活躍」狀態的機率，並將這些給付折現回今天即可。
重點總結： 年金給付取決於時間 \(t\) 時你身在何處。
3. 保險型給付（轉移）
現在，想像一張保單，在你被診斷出患有「重大疾病」（從健康轉為患病）的那一刻，支付 10,000 美元的一次性理賠金。這就是基於轉移的給付（transition-based benefit）。
從狀態 \(j\) 轉移至狀態 \(k\) 時的一次性給付 APV 公式為：
\(\bar{A}_x^{ik} = \int_0^\infty v^t \cdot {}_tp_x^{ij} \cdot \mu_{x+t}^{jk} dt\)
等等，\(\mu\) 是什麼？
\(\mu_{x+t}^{jk}\) 是轉移強度（transition intensity）（或稱轉移力）。它代表從狀態 \(j\) 移動到狀態 \(k\) 的「瞬間」速度。
邏輯拆解：
1. 一開始（時間 0）你必須處於狀態 \(i\)。
2. 在時間 \(t\) 時，你必須處於狀態 \(j\)（\({}_tp_x^{ij}\)）。
3. 在那一瞬間，你必須「跳躍」至狀態 \(k\)（\(\mu_{x+t}^{jk}\)）。
4. 將那個「跳躍」的動作折現回今天（\(v^t\)）。
「觸發器」類比
如果年金像是訂閱服務，那麼保險給付就像是一個絆線（tripwire）。你不會因為站在旁邊而獲得報酬；只有在你絆到線（轉移）的那一微秒，你才會收到理賠。
重點總結： 保險給付取決於在狀態之間移動的那個行為。
4. 總現值隨機變數
大多數現實中的保單是「組合餐」。例如，一張長期護理（LTC）保單可能包含：
- 當你首次失能時的一次性給付（轉移）。
- 當你處於失能狀態期間的每月收入（佔有）。
總 PVRV 僅是各項個別給付 PVRV 的總和。
\(Z_{total} = Z_{insurance} + Y_{annuity}\)
需避免的常見錯誤： 在計算總 PVRV 的變異數（variance）時，你不能簡單地將保險與年金部分的變異數相加。為什麼？因為它們通常高度相關！如果你處於「失能」狀態（獲得年金），那麼你很可能剛從健康狀態轉移過來（獲得一次性理賠）。
5. 變異數與「利息力雙倍法則」
有時，考試會要求計算這些隨機變數的變異數。對於狀態相依變數（特別是針對單筆給付），一個常見的解題技巧是「利息力雙倍法則（Rule of Double Force of Interest）」。
如果你需要計算給付額為 1 的 \(E[Z^2]\)：
- 使用與之前相同的 APV 公式。
- 將利息力 \(\delta\) 替換為 \(2\delta\)。
- 保持所有的轉移強度（\(\mu\)）和機率（\(p\)）不變。
口訣： 「利息力翻倍，其餘不變，變異數測試保證過關！」
6. 總結與快速複習
在進入下一章之前，請確保這些概念已經「深植腦中」：
快速複習盒：
• 佔有（\(\bar{a}_x^{ij}\)）： 用於「處於狀態期間...」的給付。依賴於 \( {}_tp_x^{ij} \)。
• 轉移（\(\bar{A}_x^{ij}\)）： 用於「一旦進入...」的給付。依賴於 \( {}_tp_x^{ij} \cdot \mu_{x+t}^{jk} \)。
• 折現： 連續模型中請務必使用 \(v^t = e^{-\delta t}\)。
• 積分： 若轉移強度和利率為常數，積分通常會簡化為分數（例如 \(\frac{1}{\mu + \delta}\)）。記得尋找這些捷徑！
你知道嗎？ 這種多狀態架構，正是工程師預測機器故障，以及資料科學家預測客戶何時會「流失（churn）」所使用的相同數學原理！
最後鼓勵： 狀態相依變數可能會因為一堆上標（\(i, j, k\)）而看起來像天書。只需記住：\(i\) 是你開始的地方，\(j\) 是你所在的地方，而 \(k\) 是你要去的地方。 你一定做得到的！